[深度学习工具]·python音频常用的操作

作者:桂。

时间:2017-05-03 12:18:46

链接:http://www.cnblogs.com/xingshansi/p/6799994.html

前言

本文主要记录python下音频常用的操作,以.wav格式文件为例。其实网上有很多现成的音频工具包,如果仅仅调用,工具包是更方便的。

更多pyton下的操作可以参考: 用python做科学计算

1、批量读取.wav文件名:

1 2 3 4 5 6

import os filepath = "./data/" #添加路径 filename= os.listdir(filepath) #得到文件夹下的所有文件名称 for file in filename: print(filepath+file)

  这里用到字符串路径:

1.通常意义字符串(str) 2.原始字符串,以大写R 或 小写r开始,r'',不对特殊字符进行转义 3.Unicode字符串,u'' basestring子类

如:

1 2 3

path = './file/n' path = r'.\file\n' path = '.\\file\\n'

  三者等价,右划线\为转义字符,引号前加r表示原始字符串,而不转义(r:raw string).

常用获取帮助的方式:

>>> help(str) >>> dir(str) >>> help(str.replace)

2、读取.wav文件

wave.open 用法:

1

wave.open(file,mode)

  mode可以是:

‘rb’,读取文件;

‘wb’,写入文件;

不支持同时读/写操作。

Wave_read.getparams用法:

1 2 3

f = wave.open(file,'rb') params = f.getparams() nchannels, sampwidth, framerate, nframes = params[:4]

  其中最后一行为常用的音频参数:

nchannels:声道数

sampwidth:量化位数(byte)

framerate:采样频率

nframes:采样点数

  • 单通道

对应code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

import wave import matplotlib.pyplot as plt import numpy as np import os filepath = "./data/" #添加路径 filename= os.listdir(filepath) #得到文件夹下的所有文件名称 f = wave.open(filepath+filename[1],'rb') params = f.getparams() nchannels, sampwidth, framerate, nframes = params[:4] strData = f.readframes(nframes)#读取音频,字符串格式 waveData = np.fromstring(strData,dtype=np.int16)#将字符串转化为int waveData = waveData*1.0/(max(abs(waveData)))#wave幅值归一化 # plot the wave time = np.arange(0,nframes)*(1.0 / framerate) plt.plot(time,waveData) plt.xlabel("Time(s)") plt.ylabel("Amplitude") plt.title("Single channel wavedata") plt.grid('on')#标尺,on:有,off:无。

  结果图:

  • 多通道

这里通道数为3,主要借助np.reshape一下,其他同单通道处理完全一致,对应code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44

# -*- coding: utf-8 -*- """ Created on Wed May 3 12:15:34 2017 @author: Nobleding """ import wave import matplotlib.pyplot as plt import numpy as np import os filepath = "./data/" #添加路径 filename= os.listdir(filepath) #得到文件夹下的所有文件名称 f = wave.open(filepath+filename[0],'rb') params = f.getparams() nchannels, sampwidth, framerate, nframes = params[:4] strData = f.readframes(nframes)#读取音频,字符串格式 waveData = np.fromstring(strData,dtype=np.int16)#将字符串转化为int waveData = waveData*1.0/(max(abs(waveData)))#wave幅值归一化 waveData = np.reshape(waveData,[nframes,nchannels]) f.close() # plot the wave time = np.arange(0,nframes)*(1.0 / framerate) plt.figure() plt.subplot(5,1,1) plt.plot(time,waveData[:,0]) plt.xlabel("Time(s)") plt.ylabel("Amplitude") plt.title("Ch-1 wavedata") plt.grid('on')#标尺,on:有,off:无。 plt.subplot(5,1,3) plt.plot(time,waveData[:,1]) plt.xlabel("Time(s)") plt.ylabel("Amplitude") plt.title("Ch-2 wavedata") plt.grid('on')#标尺,on:有,off:无。 plt.subplot(5,1,5) plt.plot(time,waveData[:,2]) plt.xlabel("Time(s)") plt.ylabel("Amplitude") plt.title("Ch-3 wavedata") plt.grid('on')#标尺,on:有,off:无。 plt.show()

  效果图:

单通道为多通道的特例,所以多通道的读取方式对任意通道wav文件都适用。需要注意的是,waveData在reshape之后,与之前的数据结构是不同的。即waveData[0]等价于reshape之前的waveData,但不影响绘图分析,只是在分析频谱时才有必要考虑这一点。

3、wav写入

涉及到的主要指令有三个:

  • 参数设置:

1 2 3 4 5 6 7 8 9

nchannels = 1 #单通道为例 sampwidth = 2 fs = 8000 data_size = len(outData) framerate = int(fs) nframes = data_size comptype = "NONE" compname = "not compressed" outwave.setparams((nchannels, sampwidth, framerate, nframes, comptype, compname))

  • 待写入wav文件的存储路径及文件名:

1 2

outfile = filepath+'out1.wav' outwave = wave.open(outfile, 'wb')#定义存储路径以及文件名

  • 数据的写入:

1 2

for v in outData: outwave.writeframes(struct.pack('h', int(v * 64000 / 2)))#outData:16位,-32767~32767,注意不要溢出

单通道数据写入

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34

import wave #import matplotlib.pyplot as plt import numpy as np import os import struct #wav文件读取 filepath = "./data/" #添加路径 filename= os.listdir(filepath) #得到文件夹下的所有文件名称 f = wave.open(filepath+filename[1],'rb') params = f.getparams() nchannels, sampwidth, framerate, nframes = params[:4] strData = f.readframes(nframes)#读取音频,字符串格式 waveData = np.fromstring(strData,dtype=np.int16)#将字符串转化为int waveData = waveData*1.0/(max(abs(waveData)))#wave幅值归一化 f.close() #wav文件写入 outData = waveData#待写入wav的数据,这里仍然取waveData数据 outfile = filepath+'out1.wav' outwave = wave.open(outfile, 'wb')#定义存储路径以及文件名 nchannels = 1 sampwidth = 2 fs = 8000 data_size = len(outData) framerate = int(fs) nframes = data_size comptype = "NONE" compname = "not compressed" outwave.setparams((nchannels, sampwidth, framerate, nframes, comptype, compname)) for v in outData: outwave.writeframes(struct.pack('h', int(v * 64000 / 2)))#outData:16位,-32767~32767,注意不要溢出 outwave.close()

多通道数据写入

多通道的写入与多通道读取类似,多通道读取是将一维数据reshape为二维,多通道的写入是将二维的数据reshape为一维,其实就是一个逆向的过程:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

import wave #import matplotlib.pyplot as plt import numpy as np import os import struct #wav文件读取 filepath = "./data/" #添加路径 filename= os.listdir(filepath) #得到文件夹下的所有文件名称 f = wave.open(filepath+filename[0],'rb') params = f.getparams() nchannels, sampwidth, framerate, nframes = params[:4] strData = f.readframes(nframes)#读取音频,字符串格式 waveData = np.fromstring(strData,dtype=np.int16)#将字符串转化为int waveData = waveData*1.0/(max(abs(waveData)))#wave幅值归一化 waveData = np.reshape(waveData,[nframes,nchannels]) f.close() #wav文件写入 outData = waveData#待写入wav的数据,这里仍然取waveData数据 outData = np.reshape(outData,[nframes*nchannels,1]) outfile = filepath+'out2.wav' outwave = wave.open(outfile, 'wb')#定义存储路径以及文件名 nchannels = 3 sampwidth = 2 fs = 8000 data_size = len(outData) framerate = int(fs) nframes = data_size comptype = "NONE" compname = "not compressed" outwave.setparams((nchannels, sampwidth, framerate, nframes, comptype, compname)) for v in outData: outwave.writeframes(struct.pack('h', int(v * 64000 / 2)))#outData:16位,-32767~32767,注意不要溢出 outwave.close()

  这里用到struct.pack(.)二进制的转化

例如:

4、音频播放

wav文件的播放需要用到pyaudio,安装包点击这里。我将它放在\Scripts文件夹下,cmd并切换到对应目录

1

pip install PyAudio-0.2.9-cp35-none-win_amd64.whl

  pyaudio安装完成。

  • Pyaudio主要用法:

主要列出pyaudio对象的open()方法的参数:

    • rate:采样率
    • channels:声道数
    • format:采样值的量化格式,值可以为paFloat32、paInt32、paInt24、paInt16、paInt8等。下面的例子中,使用get_from_width()将值为2的sampwidth转换为paInt16.
    • input:输入流标志,Ture表示开始输入流
    • output:输出流标志

给出对应code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33

import wave import pyaudio import os #wav文件读取 filepath = "./data/" #添加路径 filename= os.listdir(filepath) #得到文件夹下的所有文件名称 f = wave.open(filepath+filename[0],'rb') params = f.getparams() nchannels, sampwidth, framerate, nframes = params[:4] #instantiate PyAudio p = pyaudio.PyAudio() #define stream chunk chunk = 1024 #打开声音输出流 stream = p.open(format = p.get_format_from_width(sampwidth), channels = nchannels, rate = framerate, output = True) #写声音输出流到声卡进行播放 data = f.readframes(chunk) i=1 while True: data = f.readframes(chunk) if data == b'': break stream.write(data) f.close() #stop stream stream.stop_stream() stream.close() #close PyAudio p.terminate()

  因为是python3.5,判断语句if data == b'': break 的b不能缺少。

5、信号加窗

通常对信号截断、分帧需要加窗,因为截断都有频域能量泄露,而窗函数可以减少截断带来的影响。

窗函数在scipy.signal信号处理工具箱中,如hamming窗:

1 2

import scipy.signal as signal pl.plot(signal.hanning(512))

利用上面的函数,绘制hanning窗:

1 2 3 4

import pylab as pl import scipy.signal as signal pl.figure(figsize=(6,2)) pl.plot(signal.hanning(512))

6、信号分帧

信号分帧的理论依据,其中x是语音信号,w是窗函数:

加窗截断类似采样,为了保证相邻帧不至于差别过大,通常帧与帧之间有帧移,其实就是插值平滑的作用。

给出示意图:

这里主要用到numpy工具包,涉及的指令有:

  • np.repeat:主要是直接重复
  • np.tile:主要是周期性重复

对比一下: 向量情况:

矩阵情况: 对于数据:

repeat操作:

tile操作:

对应结果:

对应分帧的代码实现:

这是没有加窗的示例:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44

import numpy as np import wave import os #import math def enframe(signal, nw, inc): '''将音频信号转化为帧。 参数含义: signal:原始音频型号 nw:每一帧的长度(这里指采样点的长度,即采样频率乘以时间间隔) inc:相邻帧的间隔(同上定义) ''' signal_length=len(signal) #信号总长度 if signal_length<=nw: #若信号长度小于一个帧的长度,则帧数定义为1 nf=1 else: #否则,计算帧的总长度 nf=int(np.ceil((1.0*signal_length-nw+inc)/inc)) pad_length=int((nf-1)*inc+nw) #所有帧加起来总的铺平后的长度 zeros=np.zeros((pad_length-signal_length,)) #不够的长度使用0填补,类似于FFT中的扩充数组操作 pad_signal=np.concatenate((signal,zeros)) #填补后的信号记为pad_signal indices=np.tile(np.arange(0,nw),(nf,1))+np.tile(np.arange(0,nf*inc,inc),(nw,1)).T #相当于对所有帧的时间点进行抽取,得到nf*nw长度的矩阵 indices=np.array(indices,dtype=np.int32) #将indices转化为矩阵 frames=pad_signal[indices] #得到帧信号 # win=np.tile(winfunc(nw),(nf,1)) #window窗函数,这里默认取1 # return frames*win #返回帧信号矩阵 return frames def wavread(filename): f = wave.open(filename,'rb') params = f.getparams() nchannels, sampwidth, framerate, nframes = params[:4] strData = f.readframes(nframes)#读取音频,字符串格式 waveData = np.fromstring(strData,dtype=np.int16)#将字符串转化为int f.close() waveData = waveData*1.0/(max(abs(waveData)))#wave幅值归一化 waveData = np.reshape(waveData,[nframes,nchannels]).T return waveData filepath = "./data/" #添加路径 dirname= os.listdir(filepath) #得到文件夹下的所有文件名称 filename = filepath+dirname[0] data = wavread(filename) nw = 512 inc = 128 Frame = enframe(data[0], nw, inc)

如果需要加窗,只需要将函数修改为:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

def enframe(signal, nw, inc, winfunc): '''将音频信号转化为帧。 参数含义: signal:原始音频型号 nw:每一帧的长度(这里指采样点的长度,即采样频率乘以时间间隔) inc:相邻帧的间隔(同上定义) ''' signal_length=len(signal) #信号总长度 if signal_length<=nw: #若信号长度小于一个帧的长度,则帧数定义为1 nf=1 else: #否则,计算帧的总长度 nf=int(np.ceil((1.0*signal_length-nw+inc)/inc)) pad_length=int((nf-1)*inc+nw) #所有帧加起来总的铺平后的长度 zeros=np.zeros((pad_length-signal_length,)) #不够的长度使用0填补,类似于FFT中的扩充数组操作 pad_signal=np.concatenate((signal,zeros)) #填补后的信号记为pad_signal indices=np.tile(np.arange(0,nw),(nf,1))+np.tile(np.arange(0,nf*inc,inc),(nw,1)).T #相当于对所有帧的时间点进行抽取,得到nf*nw长度的矩阵 indices=np.array(indices,dtype=np.int32) #将indices转化为矩阵 frames=pad_signal[indices] #得到帧信号 win=np.tile(winfunc,(nf,1)) #window窗函数,这里默认取1 return frames*win #返回帧信号矩阵

  其中窗函数,以hamming窗为例:

1 2

winfunc = signal.hamming(nw) Frame = enframe(data[0], nw, inc, winfunc)

  调用即可。

7、语谱图

其实得到了分帧信号,频域变换取幅值,就可以得到语谱图,如果仅仅是观察,matplotlib.pyplot有specgram指令:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

import wave import matplotlib.pyplot as plt import numpy as np import os filepath = "./data/" #添加路径 filename= os.listdir(filepath) #得到文件夹下的所有文件名称 f = wave.open(filepath+filename[0],'rb') params = f.getparams() nchannels, sampwidth, framerate, nframes = params[:4] strData = f.readframes(nframes)#读取音频,字符串格式 waveData = np.fromstring(strData,dtype=np.int16)#将字符串转化为int waveData = waveData*1.0/(max(abs(waveData)))#wave幅值归一化 waveData = np.reshape(waveData,[nframes,nchannels]).T f.close() # plot the wave plt.specgram(waveData[0],Fs = framerate, scale_by_freq = True, sides = 'default') plt.ylabel('Frequency(Hz)') plt.xlabel('Time(s)') plt.show()

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券